Social Environments and Physical Aggression Among 21,107 Students in the United States and Canada
Notice bibliographique
Résumé
BACKGROUND: Physical aggression is an important issue in North American populations. The importance of students' social environments in the occurrence of physical aggression requires focused study. In this study, reports of physical aggression were examined in relation to social environment factors among national samples of students from Canada and the United States. METHODS: Students in grades 6-10 from the United States (n = 14,049) and Canada (n = 7058) who had participated in the Health Behaviour in School-aged Children Survey (HBSC) were studied. Rates of students' physical aggression were compared between the 2 countries. School, family, socioeconomic, and peer-related factors were considered as potential risk factors. A simple social environment risk score was developed using the US data and was subsequently tested in the Canadian sample. RESULTS: Risks for physical aggression were consistently higher among United States versus Canadian students, but the magnitude of these differences was modest. The relative odds of physical aggression increased with reported environmental risk. To illustrate, US boys in grades 6-8 reporting the highest social environment risk score (5+) experienced a relative odds of physical aggression 4.02 (95% CI 2.7-5.9) times higher than those reporting the lowest score (adjusted OR for risk scores 0 through 5+ was 1.00, 1.19, 2.10, 2.01, 3.71, and 4.02, respectively, p(trend) < .001). CONCLUSIONS: Unexpectedly, rates of physical aggression and associations between social environments and students' aggression were remarkably similar in Canada and the United States. Family, peer, and school social environments serve as risk or protective factors, with significant cumulative impact on physical aggression in both countries. Given the observed high rates and the many negative effects of aggression on long-term health, school policies aimed at the reduction of such behavior remain a clear priority.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».